РЛС и мозг

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Использование технологии нейронных сетей при обработке радиолокационной информации

В. ПОДДУБСКИЙ, кандидат технических наук, майор

Современные боевые действия предъявляют высокие требования к радиолокационным системам. Быстроменяющаяся обстановка и  множество подлежащих обнаружению объектов диктуют необходимость обработки больших объемов информации в сжатые сроки и с высокой эффективностью, что представляет практически невыполнимую задачу для оператора. В связи с этим еще в конце 1970-х годов была создана система, осуществляющая  законченный цикл автоматической обработки радиолокационной информации (РЛИ).

Для  этого потребовалось создание теории автоматической обработки радиолокационной информации. Среди наиболее значимых в этом направлении работ можно выделить труды Я.Д. Ширмана, С.З. Кузьмина, В.И. Тихонова, Г.А. Степанова, Р.П. Быстрова, Ю.Г. Сосулина, П.С. Акимова, И.Б. Власова, Б.А. Розанова и Б.Р. Левина. Эти работы используют положения классической теории радиолокации, опирающейся на предположения, многие из которых не выполняются на практике. Для примера можно привести широко используемое понятие «белый шум». Необходимость использования этих предположений обусловлена трудностью формализации и математического описания всего многообразия воздействующих помех и других факторов, отсутствием единой методологии оценки систем обработки в различных воздушных и помеховых условиях.

Применение радиотехнических средств показывает: если в простых условиях их эффективность не вызывает сомнений, то в сложных (интенсивного налета, нестационарных и негауссовых помех) эффективность может резко снижаться. В сложных условиях рубежи обнаружения целей могут снижаться более чем на 50 %, соответственно уменьшая и дальности поражения целей. Снижается достоверность выдаваемой РЛС информации за счет появления большого числа ложных отметок и ложных траекторий. Их число может намного превышать количество целей в зоне обзора, а использование недостоверной информации ведет к снижению эффективности средств поражения воздушных объектов в несколько раз.

Непредсказуемые быстрые и динамичные изменения, поисходящие во  внешней обстановке, создают значительные трудности формализации алгоритмов и обеспечения высокого качества работы операторов. Появляются и новые задачи: распознавание ситуаций, анализ и прогнозирование обстановки, адаптация режимов работы. Возникает необходимость использования априорной информации о характере действия противника, зачастую выраженной в нечеткой форме. Классических методов их решения нет.

Одним из многообещающих направлений построения эффективных систем обработки информации наряду с нечеткими системами является использование новой для этой области технологии нейронных сетей [1, с. 7–8].

Особенности вычислительных систем на нейросетевой технологии

Нейронные сети можно рассматривать как современные вычислительные системы, которые преобразуют информацию по образу процессов, происходящих в мозгу человека. Обрабатываемая информация имеет численный характер, что позволяет использовать нейронную сеть, например, в качестве модели объекта с совершенно не известными характеристиками. Другие типовые приложения нейронных сетей охватывают задачи распознавания, классификации, анализа и сжатия образов.

Основной проблемой при использовании технологии нейронных сетей для разработчиков и заказчиков военной техники (но в то же время и преимуществом перед классическим методом) является применение принципиально нового подхода к синтезу методов обработки в алгоритмическом смысле. Данная технология предоставляет компьютерной системе возможность обучаться на примерах, а искусственные нейронные сети — получать решение проблем, ранее считавшихся неразрешимыми без участия человека.

При этом достигается гибкость и адаптивность работы, робастность или сохранение устойчиво высоких показателей работы при отличиях внешних условий от рассматриваемых на этапе разработки (способность к обобщению), возможность построения эффективных систем без трудоемких, а зачастую и невыполнимых построений аналитических описаний, способность оперирования нечеткими (т. е. не представимыми в виде однозначно заданных величин) понятиями и др.

Кроме того, за счет специальных архитектур, использующих множество одинаковых, достаточно простых элементов, появляется возможность применения параллельных вычислительных средств, причем простота элементов позволяет реализовывать массовую параллельность вычислений. Скорость действий с помощью распараллеливания может увеличиваться в сотни и даже тысячи или более раз.

Для успешного применения нейросетевой технологии в процессах обработки радиолокационной информации должны быть тщательно проанализированы условия использования, этапы преобразования входных данных, обоснованы принципы оценки качества обработки, определены наиболее перспективные места применения.

Наибольшую эффективность принесут подробные исследования возможностей повышения качества обработки информации за счет использования нейросетевой технологии в каждом из типов подсистем об-работки в зависимости от физической структуры входных и выходных сигналов, места их применения, характера изменения внешних условий. Объем подобных исследований при этом оказывается очень широк, и охватить весь спектр возможных применений нейронных сетей в полном объеме не удается. В этих условиях встает задача вычленения схожих между собой этапов обработки информации в разнородных системах, эффективность которых могла бы быть резко повышена за счет применения нейронных сетей.

Предварительный анализ показывает, что возможно создание унифицированных нейросетевых средств (или, по крайней мере, методов и способов) обработки информации, применение которых в перспективных средствах обработки информации позволит достичь высокой эффективности и гибкости, адаптивности к изменениям внешних условий и решаемых задач [1, с. 11].

Для понимания того, насколько может быть полезна реализация рассмотренного подхода к обработке радиолокационной информации, проведем краткую характеристику основных этапов обработки РЛИ и укажем на некоторые серьезные недостатки классических подходов к обработке радиолокационной информации.

Анализ основных этапов обработки РЛИ

Обработка радиолокационной информации предназначена для подготовки к выдаче в требуемом виде полной, достоверной и своевременной информации для потребителя о состоянии воздушной или ракетно-космической обстановки, появлении и местоположении воздушных или космических объектов, параметрах их движения, возможных вариантах развития динамики изменения помеховой обстановки в зоне обзора РЛС.

Взаимосвязь биологических нейронов

Обработка РЛИ может быть разделена на первичный, вторичный и третичный этапы. Выделяют задачи распознавания целей, анализа обстановки и адаптации и т.д. Рассмотрим некоторые из этих этапов и процедур.

Этап первичной обработки радиолокационной информации

Обнаружение радиолокационных целей обычно включает в себя обнаружение импульсов, отраженных от целей, и их последующее накопление. Наиболее широко применяющийся метод автоматического обнаружения радиолокационных целей — использование адаптивного порога обнаружения. В реальных условиях с учетом возможности воздействия нестационарных помех, а также, хотя и стационарных, но негауссовых, помех, уровень ложных тревог может возрасти на 2...3 порядка, что недопустимо. Кроме того, при обнаружении групповых целей энергетические потери могут составлять 10... 15 дБ и более.

Таким образом, рассмотренный метод имеет крупные недостатки, которые определяют практически полную его непригодность для РЛС, ведущих работу в реальных условиях. Этот метод располагает модификациями для преодоления присущих ему недостатков. Однако они имеют антагонистический характер, и устранение одного из них катастрофически обостряет остальные.

Обнаружителям, использующим фазовые соотношения в многобазовых сигналах (знаковые корреляторы), присущи те же недостатки, что и адаптивному порогу. Ранговые же методы, хотя и обеспечивают практически полную стабилизацию уровня ложных тревог, но при малой пачке (обнаружитель «реагирует» на нестационарность, вносимую в шум сигналом) имеют очень высокие потери даже при обнаружении одиночных целей, а при обнаружении групп целей потери катастрофически возрастают.

Таким образом, в настоящее время неизвестны методы, способные обеспечивать эффективное автоматическое обнаружение целей в сложных нестационарных внешних условиях.

Этап вторичной обработки радиолокационной информации

Это отнесение отметок разных обзоров (сканов) при просмотре зоны обзора РЛС к единой траектории (объединение отметок в траектории) и фильтрацию (сглаживание) отметок [2, с. 355].

Уолтер Питтс

Суть традиционных алгоритмов вторичной (траекторной) обработки основана на следующих процедурах. В каждом периоде выбираются отметки, которые не принадлежат ранее сформированным трассам. В последующих обзорах (одном или нескольких, в зависимости от критерия завязки траектории) определяются отметки, которые могли бы совместно с запомненными на предыдущих обзорах составить траекторию. Для этого вокруг каждой из отметок выставляется строб и все точки, попавшие в него, образуют новые формуляры трасс. Формуляр трассы включает в себя текущие координаты, составляющие скорости, а также служебную информацию: длину трассы, признак сопровождения, количество пропущенных отметок. В дальнейшем вокруг всех экстраполированных точек текущих траекторий выставляются стробы и ближайшие из отметок, попавшие в них, являются продолжением соответствующих трасс. При появлении отметки производится перевычисление координат и составляющих скорости траектории.

Трасса считается сформированной при выполнении заданного критерия завязки, т.е. соотношении между длиной трассы и числом обнаруженных отметок за время, прошедшее с момента образования ее формуляра. При числе пропусков отметок подряд, превышающем критерий сброса, траектория сбрасывается с сопровождения. Размеры стробов завязки и сопровождения определяются, исходя из обеспечения заданной вероятности попадания отметки в строб.

Фрэнк Розенблатт (слева) и Чарльз Уайтман работают над частью устройства, которое в декабре 1958 года стало первым перцептроном

Традиционные алгоритмы формирования траекторий синтезированы в предположении прямолинейного равномерного движения целей и их достаточной удаленности друг от друга, т.е. отсутствие пересечений стробов завязки и сопровождения для различных целей. В этих условиях указанные алгоритмы показывают близкие к оптимальным точности и вероятности сопровождения целей.

В то же время при наличии групп целей, их интенсивном маневрировании нельзя ожидать выполнения указанных допущений. И в этих условиях данные алгоритмы реализуют эффективность намного хуже ожидаемой. Наибольшие сложности вызывает сопровождение групп целей. При характерных расстояниях между целями в группах и размерах стробов стробы траекторий различных целей многократно пересекаются, что во многих случаях приводит к неправильной идентификации отметок и, как следствие, к размножению отметок и снижению достоверности выходной информации.

Моделирование показывает, что указанные алгоритмы работают по групповым целям неудовлетворительно. Число ложных траекторий в этом случае оказывается значительным. Кроме того, следует ожидать многократного ухудшения точностных характеристик.

Таким образом, рассмотренный алгоритм с любыми задаваемыми параметрами не позволяет сопровождать группы целей. Необходимо разработать принципиально новые алгоритмы траекторного сопровождения групп целей в массированных налетах.

Распознавание целей

Распознавание целей выполняется для лучшего определения потребителем предпочтительных вариантов типовых воздействий и порядка их применения. С этой точки зрения потребитель предъявляет требования к системе распознавания РЛС. Помимо общих классов целей (самолет, вертолет, крылатая ракета, ДПЛА и др.), может быть поставлена задача распознать конкретный тип цели внутри каждого класса.

Фрэнк Розенблатт со своим компьютером Марк I

Для проведения распознавания классов (типов) целей разработчик тем или иным методом выбирает наиболее существенные признаки, характеризующие различия между целями. Обычно различают первичные (спектральные) признаки, которые получают на этапе первичной обработки (спектральный портрет, наличие пиков на определенных частотах и др.), и вторичные, получаемые в результате вторичной обработки (скорости, траектории движения и др.). Решение о принадлежности цели к тому или иному классу принимается на основе решающегоправила, определяющего некоторую (критическую) область в пространстве признаков.

Синтез решающих правил проводится на основе байесовского подхода или его модификаций, позволяющих свернуть многоэлементную матрицу ошибок в один показатель, по которому и ведется оптимизация. Наиболее широко распространено линейное комбинирование признаков. Получаемая при этом линейная область в пространстве признаков не всегда согласуется с оптимальной, и эффективность распознавания оказывается ниже требуемой.

Часто применяются также иерархические алгоритмы распознавания, которые предусматривают последовательный выбор от наиболее широких классов к более узким, специфическим, вплоть до требуемых: например, большая — малая цель, затем среди больших (малых) высокоскоростная —низкоскоростная и т.д. Эти алгоритмы также имеют возможность формировать лишь ограниченный набор критических областей в пространстве признаков. При этом вероятностные характеристики реализуемых таким образом алгоритмов распознавания весьма низки, так как в них принципиальное значение имеют ошибки по каждому из отдельных признаков, и компенсировать эти ошибки с помощью других признаков невозможно.

Наиболее эффективным было бы использование алгоритмов распознавания со сложными нелинейными функциями для решающих правил, зависящие от совместного многомерного распределения значений признаков и, более того, адаптивно модифицируемые при изменениях внешних условий. К сожалению, синтез таких функций, кроме простейших модельных задач, наталкивается на непреодолимые математические трудности. Поэтому в реальных системах, предназначенных для работы в сложных условиях, зачастую используются полуэмпирические методы, обоснованность которых вызывает сомнения, а эффективность недостаточна.

Анализ обстановки и адаптация

Анализ имеет целью повысить эффективность работы РЛС при изменениях внешних условий. Практически все созданные и разрабатываемые РЛС имеют режимы работы, которые в основном характеризуются методом обзора пространства и типом обработки. Однако выбор конкретного режима для конкретных внешних условий обычно предоставляется человеку, командиру или оператору. Проведение анализа обстановки также обычно поручается человеку, так как формализованных правил такого анализа не существует, обычно они могут быть сформулированы только в вербальной форме, что существенно затрудняет их алгоритмизацию.

Структура персептрона (искусственного нейрона)

Под адаптацией обычно понимается способность системы, изменяя свои параметры и/или алгоритмы и методы работы, приспосабливаться к изменениям внешних условий таким образом, чтобы достичь наилучшего качества работы. Отсюда следует, что качество адаптации естественно оценивать по эффективности системы в тех условиях, к которым и проводилась адаптация.

Адаптация системы проводится на основе полученной тем или и иным способом информации о внешних условиях, т.е. по результатам распознавания. Однако, как и для любой статистической процедуры, результатом распознавания может быть ошибочное решение, что, к сожалению, упускается из вида многими исследователями. Неучет этих ошибок не позволяет достоверно оценить качество работы системы, использующей информацию распознавания, а, следовательно, и правильно решить вопрос о целесообразности ее использования.

Информация, на основе которой проводится адаптация РЛС, должна включать в себя не только обнаруженные цели и их координаты, результаты распознавания классов целей, но и результаты более глубокой, интеллектуальной обработки получаемой информации, которые должны реализовываться в распознавания тактических ситуаций и вообще различных вариантов внешних условий.

Примеры использования нейронных сетей для обработки радиолокационной информации

В России регулярно проводятся исследования по возможностям использования нейросетей в радиолокации. Например,

В.М. Орленко в 2004 г. проводил компьютерный эксперимент по распознанию 11 типов целей по их одиночным дальностным портретам (ДП) и последовательностям (пачкам) из трех ДП при полосе 80 МГц в секторе носовых ракурсов 0...20°, в котором наблюдалась интенсивная турбинная модуляция.

Среди целей — крупноразмерные (Ту-16, В-52, В-1В), среднеразмерные (МиГ-21, F-15, Tornado, Ан-26) и малорамерные (ALCM, GLCM, ловушка, вертолет «Апач»).

Число промежуточных элементов N составило 40...50. Для обучения ИНС использовалось по 400 одиночных ДП или их пачек для каждого типа воздушных объектов при среднем отношении сигнал–шум 22 дБ.

Как оказалось, при использовании признака турбинной модуляции полоса сигнала всего 80 МГц достаточна для распознавания 11 типов целей по одному ДП с вероятностью правильного распознавания 0.8 при отношении сигнал-шум 20 дБ.

Использование последовательности всего трех ДП (в этом случае используется признак турбинной модуляции) позволяет достигнуть вероятности распознавания 0.9 и сделать распознавание менее зависимым от отношения сигнал-шум [3 с. 424-426].

В США через агентство по перспективным исследованиям DAPRA осуществляется значительное финансирование исследований в области обработки радиолокационной информации. Приведем примеры использования нейронных сетей при обработке РЛИ в США.

В BSEI на основе вейвлет-преобразования и нейросетевых механизмов обработки создаются новые методы фильтрации для выделения наиболее важных при обнаружении целей характеристик и подавления мешающих составляющих. Предлагаемая архитектура предполагает подробное описание целей, шумов и помех на разных уровнях масштаба с помощью обучаемых обобщенных нелинейных моделей, что позволяет использовать ее для террагерцовых локаторов сверхвысокого разрешения в системе ПРО.

Фирма AETC, Inc. на основе методов марковских цепей и нейронных сетей разрабатывает алгоритмы подавления помех радиолокаторов, размещаемых на борту самолета.

Наибольшее число ложных тревог обусловливаются помехами, имеющими схожие с целями параметры. В фирме Charles River Analytics заинтересовались возможностями корректного описания помех, имеющих схожие с целями параметры, что позволит существенно снизить объем ложной информации на выходе локатора.

Компания Soft Thought проводит исследования по созданию нейробиологической модели идентификации целей, в которой используется подробный эмулятор церебральных нервных образований, моделирующий зрительный образ как набор слабо организованных контуров.

Система анализа многоспектральных данных, создаваемая компанией American GNC Corporation, использует методы эволюционного программирования и нейронных сетей для автоматического решения задач анализа подстилающей поверхности и субпиксельного разрешения.

Фирма Information Systems Laboratories и Университет штата Калифорния разрабатывают компактную систему для беспилотных летательных аппаратов, позволяющую совместно обрабатывать оптическую, инфракрасную и радиолокационную информацию (миллиметровые волны).

Physical Optics Corporation занимается разработкой автономной системы сопровождения множества целей, в которой используются алгоритмы нечетких нейронных сетей и методология распределенных вычислений.

Компания Alphatech, Inc. проводит сравнение и разрабатывает нетрадиционные алгоритмы для многомерного распределенного анализа данных, для составления единой тактической картины при обнаружении наземных целей.

IBM и ВВС США разрабатывают нейроморфный суперкомпьютер нового поколения, основанный на чипе нового типа, который предназначен для реализации нейронных сетей (рис. 1). Ранее разработчики рассказали о том, что чип содержит 1 миллион нейронов и 256 миллионов синапсов, что с некоторыми оговорками похоже на архитектуру неокортекса. Такой процессор можно использовать для решения задач, где требуется высокая и сверхвысокая производительность.

По мнению специалистов, на основе таких чипов можно создавать системы на порядок более производительные, чем самые мощные компьютеры современности.

Корпорация IBM старается совершенствовать новую технологию. Сейчас она участвует в совместном проекте с ВВС США. Партнеры собираются создать новый суперкомпьютер, который будет включать 64 миллиона нейронов и 16 миллиардов синапсов. При этом потреблять он будет всего 10 Вт энергии, то есть его можно будет подключить к обычной энергосети [4].

Программа обработки сигналов в нейронных сетях SPiNN позволит разработать новый набор передовых вычислительных нейросетевых ядер со встроенными известными математическими DSP (цифровыми) моделями физических процессов.

Проект SPiNN направлен на применение технологии нейронных сетей в области коммуникаций и обработки радиолокационной информации и достижения существенных улучшений в этих областях по сравнению классической цифровой обработкой.

Исследователи DARPA отмечают, что точная передача многомерных сложных модулированных сигналов через неидеальные динамические каналы связи имеет решающее значение для функционирования радиотехнических средств военного назначения.

Основным содержанием программы SPiNN является реализация в виде предварительно обученных и малозатратных во всех отношениях нейросетевых ядер важнейших линейных и нелинейных функциональных цифровых блоков, таких как быстрое преобразование Фурье (FFT / iFFT), Multi-Input Multi-Output (MIMO), согласованного фильтра (MF), фильтра Калмана (KF), решетки Витерби, декодеров и кодов исправления ошибок с проверяемым результатом и требуемой точностью [5].

Рассмотренные примеры использования нейронных сетей в задачах обработки радиолокационной информации показывают, что эта новая технология может успешно применяться на всех этапах работы РЛС. В то же время, становится очевидным, что одной нейросетевой парадигмой обойтись не удается.

Рис. 6. Чип, позволяющий производить нейроморфные вычисления

Основными трудностями, с которыми приходится сталкиваться при разработке нейросетевых методов и устройств обработки радиолокационной информации, следующие [1, c.48]:

исключительно большой объем информации и необходимость его обработки в ходе работы РЛС?— за несколько миллисекунд, а в некоторых случаях — и микросекунд;

значительные трудности формализации алгоритмов и обеспечения высокого качества их работы, связанные с непредсказуемостью внешней обстановки и высокой динамикой ее изменения;

необходимость решения нетрадиционных задач, таких как распознавание ситуаций, анализ и прогнозирование обстановки;

необходимость использования априорной информации о характере действия противника, зачастую выраженной в нечеткой форме;

использование комплексных чисел при математическом описании задач пространственной, частотной и временной обработки;

требование обеспечения очень малых значений вероятностей ложных тревог (порядка 106) при обнаружении целей;

необходимость эффективной работы в разнотипных условиях и др.

Таким образом, использование технологии нейронных сетей при обработке радиолокационной информации возможно на всех этапах обработки радиолокационной информации, однако необходимо проводить тщательный анализ решаемых на каждом этапе задач обработки, рассматривать известные методы их решения, выявлять возможные способы повышения качества выходной информации для сложных внешних условий на основе рационального применения нейросетевой технологии.

 

Кабина Ф-1 ЗРС С-300

ЛИТЕРАТУРА:

Татузов А.Л. Нейронные сети в задачах радиолокации. Кн. 28.?— М.: Радиотехника, 2009.?— 432 с.

Радиолокационные системы. Учебник для вузов.?— М.: Радиотехника, 2015.?— 440 с.

Радиоэлектронные системы: Основы построения и теория. Справочник.  –М.: Радиотехника, 2007.?— 512 с.

[Электронный источник] URL: https://newsroom.ibm.com/2017-06-23-U-S-Air-Force-Research-Lab-Taps-IBM-to-Build-Brain-Inspired-AI-Supercomputing-System. (дата обращения 28.10.2020)

[Электронный источник]  URL: https: //www. militaryaerospace. com/computers/article/14074314/ dsp-neural-network-communications-and-radar (дата обращения 11.11.2020)


Источник: army.ric.mil.ru

Комментарии: